一种基于深度学习的跨传感器爆管定位域自适应方法与流程

本发明属于城市供水管网爆管定位，尤其涉及一种基于深度学习的跨传感器爆管定位域自适应方法。

背景技术：

1、供水管网作为一种重要的基础设施，很容易发生爆管。爆管尽管持续时间短，但失水量大很容易造成大量水资源浪费，管道爆裂后也容易造成污染物入侵从而影响饮用水的水质。此外，管网发生爆管后也会造成显著的社会影响，例如供水中断、影响公共交通。因此，在管网发生爆管后应迅速发现爆管并准确的确定爆管位置，以便采取有效措施对爆管进行快速修复。各种爆管检测方法得到了广泛应用，旨在发现爆管和确定爆管位置。

2、爆管检测分为爆管报警和爆管定位，爆管报警能够发现爆管但不能确定爆管的具体位置，而爆管定位则是在爆管报警后确定爆管的具体位置。随着监控和数据采集(scada)系统的发展，压力或者流量的实时监测数据被广泛用于爆管检测。在进行爆管检测时，通常将scada系统实时监测数据与历史数据进行比较，一旦实时监测数据出现异常则进行爆管报警。基于数据驱动方法在爆管报警中得到了广泛应用，相比较而言在爆管定位中应用较少。目前应用较为广泛的爆管定位方法是基于模型的方法，但是基于模型方法的准确性更多的依赖水力模型的准确性。由于scada系统的广泛采用，供水管网中出现了大量的实时和历史监测数据。显然，基于数据驱动的方法在爆管定位中具有更好的应用前景。

3、为了更好的利用实时监测数据对爆管进行定位，一些方法提出了基于数据驱动的爆管定位方法。例如，采用声学监测信号对爆管进行检测和定位，但是这种方法的准确性对爆管特征(如压力、爆管流量)特别敏感，检测范围也受声信号的清晰度和相关性的限制。也有一些方法利用爆管引起的瞬变波来对爆管进行检测，通过模型分析瞬变波的传播、反射和阻尼等特征来对爆管进行定位。然而，这种方法很容易受到系统中的背景噪声或者其他可能诱发爆管瞬态特征事件的影响，特别是在管道数量较多的管网中。此外，这类方法中的一些方法需要计算上的数学模拟，并且使用的高频传感器成本高昂。因此，当前基于声学或瞬态的方法不适合用于大型供水管网(例如dma或数十根管道)中的爆管定位。相比较而言，压力传感器由于其低廉的价格以及易于安装的特质，更容易在供水管网中广泛使用。但是与流量监测数据相比，压力监测数据对爆管特征不敏感。一种可能的解决方法是在不同时刻对压力的关键特征进行互补，利用模式识别算法对连续测量周期内的特征进行融合和识别。

4、为了克服压力监测数据对爆管特征不敏感的不足，研究人员采用了基于深度学习的爆管定位方法。利用fully linear-densenet(bliff)改进了最新的深度学习方法，对有限的压力信号特征进行提取，取得了较好的爆管定位效果。这种方法证明了利用压力监测信号也能对爆管进行有效定位，但是这种方法假设训练数据(源域)和测试数据(目标域)分布完全相同，没有考虑分布不同的影响。当源域和目标域分布不一致时，从源域学到的知识直接用于目标域则会存在明显障碍。当前，研究人员大多采用迁移学习方法来解决源域和目标域分布不一致的问题，旨在通过放宽源域和目标域必须来自同一分布的假设来实现跨不同域迁移所学的知识。具体而言，迁移学习中的域自适应方法在故障诊断中得到了广泛应用。尽管这些跨域诊断方法都取得了良好的性能，但是这些方法通常采用机器同一位置处收集的数据，没有关注源域和目标域来自不同测量位置的情况。特别是在故障诊断问题中，通常假设训练和测试用的振动数据是由相同测量位置的传感器采集的。这种假设阻碍了基于数据驱动的故障诊断方法在实际中的应用，实际中由于传感器发生故障等原因同一位置获得的测量数据集通常不足或质量较低。实际上，机器上通常安装多个传感器进行状态监测，当一个传感器发生故障时其他传感器的监测数据随时可用于诊断。研究人员提出了一种基于深度学习的机械故障诊断域自适应方法，利用不同位置处的传感器监测数据对机械故障进行诊断。但是这种方法在供水管网中尚未得到应用，在供水管网中传感器通常布置在管网的不同节点上，传感器发生故障会导致实时监测数据出现缺失的情况。在现有的供水管网监测网络中，为了确保监测系统具有足够的鲁棒性，通常保持了一定的传感器冗余。因此，不同位置处的传感器监测数据随时可以用于爆管定位。

技术实现思路

1、针对上述问题，本发明的目的在于提出一种基于深度学习的跨传感器爆管定位域自适应方法，通过引入对抗训练，将从不同传感器采集的数据投影到一个共享子空间，利用无监督数据建立跨域的连接，使得爆管特征知识在不同的特征空间得到更好的泛化；同时该方法分别利用不同位置的传感器监测数据作为源域和目标域数据，有效解决了源域和目标域分布不一致的问题。

2、为了实现上述的技术特征，本发明的目的是这样实现的：一种基于深度学习的跨传感器爆管定位域自适应方法，其特征在于，包括如下步骤：

3、步骤(1)，传感器优化布置，选择传感器布设节点位置确保传感器网络对所有爆管的识别；

4、步骤(2)，管道爆管模拟，模拟得到各个传感器发生爆管时各个传感器的监测数据；

5、步骤(3)，准备训练数据，选择不同传感器处的监测数据作为源域和目标域数据；

6、步骤(4)，模型训练和测试，利用源域和目标域数据对所提出的模型进行训练。

7、优选的，步骤(1)具体包括如下步骤：

8、步骤(1.1)，对管网进行爆管模拟，得到管网各个管道发生爆管后管道爆管流量与节点压力变化关系；

9、管网发生爆管后，会引起管网节点压力发生变化，压力变化与爆管流量有关，这种变化通采用雅可比矩阵表示：

10、

11、式中，γnp表示管道p发生爆管后节点n处的压力变化，p＝1,2,…,p,p表示管网管道总数，n＝1,2,…,n,n表示管网管道总数，当γnp大于传感器的检测阈值γ时，γnp＝1，否则，γnp＝0；hn表示节点n处的压力；qn表示节点n处的流量；

12、步骤(1.2)，定义传感器布置优化目标函数，得到传感器监测网络；

13、在对传感器进行布置时，在尽量减少传感器数量的前提下需要确保传感器网络能够完成对所有爆管事件的识别；同时，考虑到传感器可能发生故障的情况，同时需要保证传感器网络有一定的冗余，即单个爆管事件至少被一个以上的传感器同时检测到，传感器优化布置的目标函数为：

14、

15、式中，t表示供水管网中传感器的总数，若节点n处布置有传感器，则χn＝1，否则χn＝0；r表示传感器网络的冗余，保证管网各个爆管事件有超过一个以上的传感器被检测到，ξ[·]为判别函数，若则ξ[·]＝1，否则，ξ[·]＝0；采用遗传算法对传感器的位置进行筛选，得到最优的传感器网络。

16、优选的，步骤(2)具体包括如下步骤：

17、步骤(2.1)，利用wagner公式对爆管进行模拟；

18、采用epanet对管网模型进行水力模拟，得到各个管道发生爆管的情况，基于压力驱动分析能够更加真实地反映管道破裂时压力不足地情况，进而采用wagner公式对爆管进行模拟，如下式所示：

19、

20、式中，qi和分别是节点i处的实际流量和所需流量，hi为节点i处的压力，和分别为节点i处的最小压力和所需压力；γ表示水头指数；

21、假设管道上的爆管流量满足孔板公式的流量，如下式所示：

22、

23、式中，qbrust表示爆管流量，cd为流出系数，其值为0.5-0.7，取决于雷诺数和孔口形状，aori为孔口面积，hori为孔口压力；aori＝γaij，其中aij为相应管道的横截面积，g为强度系数，由爆管强度决定；

24、步骤(2.2)，考虑不确定性的影响，对爆管进行模拟得到不同管道发生爆管的情况；

25、其中，在进行爆管模拟时，需要考虑不确定性的影响，主要考虑了三个不确定参数，包括节点需求、管道粗糙度系数和爆管面积；对于节点需求和管道粗糙度系数，将高斯白噪声n(0,σ2)，n为高斯分布函数，σ为噪声信号的大小，添加到现有的粗糙度系数和日节点需求曲线上，两个参数的标准差分别为σc和σq；如果水力模型校准良好，则应分配较小的标准偏差，否则，应使用较大的值；用γ的随机数来模拟漏损面积的不确定性，将其模拟为服从均匀分布u(γmin,γmax)的随机数，γmin为最小漏损面积；γmax为最大漏损面积；

26、对于管道数为p的供水管网，假设管网各条管道均发生爆管，模拟得到管网各条管道发生爆管时管网各个节点的压力数据，如下式所示：

27、

28、式中，xn,p表示管道p发生爆管后管网节点n处的压力监测值，n＝1,2,…,n表示管网节点总数，p＝1,2,…,p表示管网管道总数；

29、假设管网各条管道均发生爆管，在管道p发生爆管时，随机将噪声值和分别添加到各个管道的粗糙度系数和节点需求上，根据u(γmin,γmax)均匀分布随机选择爆管强度系数，对管网各条管道发生爆管的情况进行重复模拟，得到管网所有管道均发生爆管的情况；

30、在得到爆管数据后，需要选择传感器所在节点位置处的压力监测数据来准备源域和目标域数据。

31、优选的，步骤(3)具体包括如下步骤：

32、针对具有不同特征空间的供水管网爆管定位问题，用于数据驱动的爆管定位模型的源域数据和目标域数据为供水管网不同位置处传感器的监测数据；设表示源域数据，为管道爆管标签，为传感器网络的实时监测数据，s为源域，表示无标记的目标域数据，t为目标域，ns和nt分别表示源域和目标域样本数量；利用有监督的源域数据对爆管定位模型进行训练，能够在源域建立有效的分类器对不同位置的爆管进行有效识别；然而，当测试数据来自不同的传感器时，源域和目标域的特征分布没有重叠，从而影响了模型在目标域的性能；

33、在对模型进行训练之前，将不同位置处传感器的监测数据分别作为源域和目标域数据，尽管源域和目标域的特征空间分布不同，但是这些监测数据的底层特征空间相同。

34、优选的，步骤(4)具体包括如下步骤：

35、步骤(4.1)，多尺度特征提取能够获取更加全面的信号特征，由此采用了三个特征提取器g1、g2和g3，分别从小、中和大三个尺度对爆管特征进行提取；利用特征提取器g1、g2和g3分别得到xs和xt的高层表示：

36、

37、

38、式中：xs为源域数据，xt为目标域数据，分别为特征提取器g1、g2和g3处的源域数据，分别为特征提取器g1、g2和g3处的目标域数据；

39、步骤(4.2)，在提取到不同尺度的爆管特征后，将和分别输入到爆管分类器cb1、cb2和cb3中，对不同管道爆管进行分类；在对网络进行训练时，cb遵循有监督学习方式，使源域数据的分类误差最小；同时，在cb1、cb2和cb3之间引入对抗训练；具体而言，对θc中的参数进行优化以获得dc无法识别的分类不变特征，而对θd中的参数进行更新从而对不同分类器的分类结果更好地识别，为此，参数优化时需满足以下条件：

40、

41、

42、

43、

44、式中，θg1、θg2和θg3分别表示特征提取器g1、g2和g3的参数值；分别表示爆管分类器cv1、cb2、cb3的参数值；和分别表示特征提取器g1、g2和g3训练优化后的参数值；和分别表示爆管分类器cb1、cb2、cv3训练优化后的参数值；表示分类器鉴别器训练优化后的参数值；θc表示分类器的参数值；dc表示分类器鉴别器；θd表示域鉴别器的参数值；cb表示爆管分类器；和分别表示特征提取g1、g2和g3提取得到的源域特征信号；cb1、cb2和cb3分别表示爆管分类器1、爆管分类器2和爆管分类器3；和分别表示特征提取g1、g2和g3提取得到的目标域域特征信号；l0表示优化目标，由域标签预测误差组成；

45、将和分别输入到ds1、ds2和ds3中得到域标签估计，同时在g和ds之间引入对抗训练；具体而言，对θg中的参数进行优化以获得ds无法识别的域不变特征，而对中的参数进行更新以更好地对源域和目标域数据进行分类；通过源监督下g和ds之间引入对抗训练，将源域实例和目标域实例投影到所学习的高级特征子空间中的同一区域，同时包含爆管位置的判别信息；所学习的爆管定位知识能够很好的泛化，并且能够在没有监督目标域数据的情况下在目标域获得更好的模型性能；为此，参数优化需满足以下条件：

46、

47、

48、

49、式中，l0表示优化目标，由域标签预测误差组成，表示的最优参数，θg表示特征提取器的参数值；g表示特征提取器；ds表示源域鉴别器。

50、优选的，步骤(4.2)具体包括以下步骤：

51、步骤(4.2.1)，源域分类损失；

52、步骤(4.2.2)，爆管分类器损失；

53、步骤(4.2.3)，域自适应损失。

54、优选的，所述步骤(4.2.1)中源域分类损失具体包括：

55、源域分类旨在根据源监督数据来识别不同管道发生爆管的鉴别特征，为三个爆管分类器源域分类损失之和：

56、

57、式中，cb＝1,2,3分别表示爆管分类器cb1、cb2和cb3，表示爆管分类器cb由第i个源域样本作为输入得到的第j个输出向量；表示发生爆管的管道标签；nc表示管网管道编号；nw表示各个管道发生爆管的次数。

58、优选的，所述步骤(4.2.2)中爆管分类器损失具体包括：

59、为了提取不同尺度的爆管特征，采用三种不同尺度的特征提取器，分别利用三个不同的爆管分类器对源域数据进行分类，并将各个爆管分类器的分类结果输入到分类鉴别器中；

60、

61、式中，和分别表示爆管分类器最后全连接层输出的第一、二和三个元素，以三个特征提取器的第i个源域样本作为输入，爆管分类器cb1、cb2和cb3的输出标签分别为1、2和3，ns表示管网发生爆管总的次数，表示第i个分类器的分类结果。

62、优选的，所述步骤(4.2.3)中域自适应损失具体包括：

63、在特征空间分布差异较大时需要迁移所学的爆管定位知识，将源域和目标域的边缘数据分布引入同一子空间，其中，域融合是通过特征提取器g和域鉴别器ds之间的对抗训练来实现的，采用来定义源域分类损失：

64、

65、式中，ds＝1,2,3分别表示域鉴别器ds1、ds2和ds3；和分别表示域鉴别器ds中最后完全连接层处的输出向量的第一和第二元素，以第i个源域样本作为输入；

66、和是第i个目标域样本的对应元素；假设第一个输出元素表示源域，第二个表示目标域；相应地，源域样本的域标签为[1,0]，目标域样本的域标签为[0,1]；

67、采用多尺度特征提取器g1、g2和g3对不同尺度的爆管特征进行提取，得到源域和目标域数据小、中和大尺度爆管特征，利用三个爆管分类器分别对源域监督数据不同尺度的爆管特征进行识别，识别出爆管标签，在不同的爆管分类器cb以及源域和目标域之间引入对抗网络，对特征提取器进行优化使ls最小，同时使和最大，爆管分类器的目标是最小化ls，分类器鉴别器和域鉴别器的更新目标分别为最大化和采用三种不同尺度的特征提取器对源域和目标域数据进行提取，参数分别为θg1、θg2和θg3，优化问题可以表示为：

68、

69、

70、

71、式中，和分别为θg1、θg2和θg3的最佳值，在每次训练历元中，参数更新为：

72、

73、

74、

75、

76、式中，αs>0、和分别表示ls、和的惩罚系数，δ表示学习速率，λ>0是用于实现的引入系数，和分别表示爆管分类器、域鉴别器和分类器鉴别器的参数，θg表示特征提取器的参数，表示分类器鉴别器的参数。

77、优选的，所述步骤(4.2.3)中：

78、在对参数进行更新时，采用梯度反转层，它除了惩罚系数λ之外没有任何参数，在网络的前向传播中，梯度反转层是一种身份映射，梯度反转层在反向传播中接收来自下一层的梯度，并将梯度乘以-λ后传递给前一层；其中，梯度反转层在后向传播中分别被放置在爆管分类器与分类器鉴别器和特征提取器与域鉴别器之间，在前向传播中由于身份映射而被忽略，因此，优化目标可表述为：

79、

80、本发明有如下有益效果：

81、本发明提出了一种基于深度学习的跨传感器爆管定位域自适应方法。通过引入对抗训练，将从不同传感器采集的数据投影到一个共享子空间。利用无监督数据建立跨域的连接，使得爆管特征知识在不同的特征空间得到更好的泛化。此外，本发明该方法分别利用不同位置的传感器监测数据作为源域和目标域数据，有效解决了源域和目标域分布不一致的问题。